ESCUELA DE INGENIERA ELECTRNICA Y MECATRNICA

APLICACIN EN LA
INDUSTRIA DE LA
LGICA FUZZY
CURSO:
INTELIGENCIA ARTIFICIAL
DOCENTE:
SAL LUIZ DE MELO
INTEGRANTES:
ANTN NARVAEZ, CESAR

1310195

GUTIERREZ OROZCO, JACKELINE

1211926

LLANOS MORA, ERIKA

1211737

LGICA FUZZY
El concepto de lgica fuzzy es muy comn, est asociado con la manera en que las
personas perciben el medio, por ejemplo ideas relacionadas con la altura de una persona,
velocidad con la que se mueve un objeto, la temperatura dominante en una habitacin,
cotidianamente se formulan de manera ambigua y depende de quin percibe el efecto
fsico o qumico, ser su enunciado acerca de tal fenmeno. Una persona puede ser alta o
baja, algo puede moverse rpido o lento, una temperatura puede ser baja o moderada o
alta, se dice que estas afirmaciones acerca de una variable son ambiguas porque rpido,
bajo, alto son afirmaciones del observador, y estas pueden variar de un observador a otro.
Uno se puede preguntar cundo algo es fro o caliente, que tan baja es la temperatura
cuando decimos fro, o que tan alta es cuando decimos caliente.
Los conjuntos difusos definen justamente estas ambigedades, y son una extensin de la
teora clsica de conjuntos, donde un elemento pertenece o no a un conjunto, tal
elemento tiene solo 2 posibilidades, pertenecer o no, un elemento es bi-valuado y no se
definen ambigedades. Con conjuntos difusos se intenta modelar la ambigedad con la
que se percibe una variable. Los conjuntos difusos son la base para la lgica fuzzy, del
mismo modo que la teora clsica de conjuntos es la base para la lgica Booleana. Con los
conjuntos difusos se realizan afirmaciones lgicas del tipo si-entonces, definindose estas
con Lgica Fuzzy. Este tema es propio de inteligencia artificial, donde se intenta emular en
pensamiento humano. Nuestro campo de estudio es el control industrial, debemos tener
en cuenta la experiencia o base de conocimiento del operario, esto ser til para emular el
comportamiento humano con una mquina, a pesar de ser esta muy limitada.
Desde que Lotfy A. Zadeh (1965) desarroll este concepto de lgica fuzzy, se ha trabajado
en este tema, el principal centro de desarrollo es Japn, donde sus investigadores la han
aplicado a muy diversos sistemas, principalmente electrodomsticos, sistemas ms
recientes estn vinculados con la industria, la medicina y la actividad espacial. Muchas
publicaciones y libros se han escrito de este tema, pero an queda mucho por explorar.

APLICACIN DE LA LOGICA FUZZY EN LA INDUSTRIA

SISTEMA DE CONTROL BASADO EN REDES NEURONALES Y LGICA FUZZY PARA LA
ESTIMACIN Y CONTROL DE LA DOSIFICACIN DE COAGULANTE EN UNA PLANTA DE
TRATAMIENTO DE AGUAS
Dentro de los procesos de tratamiento del agua, el proceso de coagulacin es el ms
complejo, debido a la correlacin no-lineal, existente entre la dosis de coagulante y los
parmetros de agua cruda. La complejidad existente entre las variables involucradas en

este proceso hace muy difcil la implementacin de un sistema de control satisfactorio

basado en mtodos convencionales. Esta es la razn de ser del sistema planteado para la
estimacin y control de la dosificacin de coagulante; desarrollado como un sistema
experto en tiempo real, mediante la aplicacin de tcnicas de control inteligentes como
las redes neuronales y la lgica fuzzy. El sistema se concibi para ser capaz de obtener los
resultados de la prueba de jarras y capaz de ajustar la dosificacin de coagulante; tal como
lo
hara
un
operador.
Teniendo en cuenta el gran consumo de coagulante demandado por una planta de
tratamiento de aguas, este sistema constituye una excelente alternativa para la reduccin
y optimizacin de la dosificacin de coagulante.
1. Introduccin
En la actualidad, la industria del agua ha centrado sus esfuerzos en producir la
mejor calidad de agua al menor costo; debido al incremento de los estndares de
regulacin.
El proceso de coagulacin es una de los ms importantes estados en el tratamiento
de agua; permitiendo la remocin de partculas coloidales presentes en el agua.
Este proceso es esencial para mantener una calidad de agua tratada satisfactoria.
La complejidad existente entre la dosis de coagulante requerida en funcin de los
parmetros de calidad de agua cruda, y la influencia de factores tales como: el
corto tiempo de reaccin del proceso de coagulacin, el gran tiempo de reaccin
del proceso de floculacin y el caudal de agua tratada, hacen que el control de este
proceso requiera de tcnicas de apoyo como la prueba de jarras en la estimacin
de la dosis optima y de la accin de un operador que supervise el proceso y haga
los ajustes necesarios para garantizar una remocin de turbiedad efectiva.
En la actualidad existen algunos sistemas comerciales para el control del proceso
de coagulacin tales como el streaming current detector, el cual ha demostrado
excelentes resultados en plantas de tratamiento con calidades de agua cruda poco
variables, mostrando tambin su incapacidad para adaptarse a todos los tipos de
calidad
de
agua
cruda.
El mejoramiento en el control de los procesos mediante la introduccin de nuevas
tcnicas tales como las redes neuronales y la lgica fuzzy, abre una nueva ventana
hacia el desarrollo desoluciones optimas, para procesos cuyo control mediante el
uso
de
tcnicas
convencionales
resulta
muy
complejo.
Para el proceso de coagulacin ya se han desarrollado algunas aplicaciones

basadas en estas tcnicas las cuales han mostrado excelentes resultados y han
abierto
el
campo
para
otras
aplicaciones.
En Colombia en la planta de tratamiento de aguas de puerto mallarino de las
empresas municipales de Cali (Emcali) se desarroll un sistema de control basado
en redes neuronales y lgica fuzzy que permitiera llevar a cabo tanto la estimacin
como el control de la dosis de coagulante
2. Marco terico
Redes neuronales artificiales en aplicaciones industriales
Desde el punto de vista de la ingeniera las redes neuronales artificiales (RNA)
pueden ser vistas como un gran sistema dinmico en paralelo que puede realizar
transformaciones por medio de la respuesta de estado de su informacin de
entrada. El cmo se lleva a cabo la transformacin depende del modelo de la RNA
y de su forma de aprender la transformacin. El rea de aplicacin ms natural de
las RNA son obviamente las tareas en las cuales se deben obtener las
transformaciones apropiadas de ciertas entradas a ciertas salidas; pero las
transformaciones no pueden ser descubiertas analticamente debido a la variedad
de factores involucrados en ellas. Por lo tanto no es sorprendente que la mayora
de las aplicaciones exitosas de RNA puedan ser encontradas en reas de visin de
mquinas, reconocimiento de patrones, control de motores, procesamiento de
seales, donde tales transformaciones "entradas a salidas" dominan la solucin del
problema.

Las neuronas de primer nivel reciben sus entradas directamente del entorno. Las
salidas de estas neuronas se conectan a las entradas de las neuronas del segundo
nivel, y as sucesivamente, hasta el ltimo nivel, cuyas salidas son entregadas al
entorno. En la tabla1 se muestran las reas de aplicaciones ms tpicas de RNA en
Europa, mientras que en la tabla 2 se muestran los sectores industriales donde ms
aplicacin han tenido las RNA.
3. Aplicaciones de lgica fuzzy en automatizacin industrial.
En los ltimos aos, la lgica fuzzy ha demostrado su gran potencial en las
aplicaciones de automatizacin industrial. Para los eventos de control discreto los
ingenieros han usado la lgica de escalera, un lenguaje de programacin
semejante a los esquemas de cableado elctrico corriendo en un controlador
lgico programable (PLC en ingls). Para un control continuo los controladores de
tipo PID son los ms empleados; stos controladores trabajan bien cuando el
proceso bajo control est en condiciones estables; sin embargo cuando se
presentan grandes disturbios, variaciones en el tiempo de los parmetros del
proceso, presencia de tiempos muertos, los controladores PID no operan bien.
La lgica fuzzy le permite a los ingenieros disear controles supervisorios
multivariable derivados de la experiencia de una operador y de los resultados
experimentales; en vez de modelos matemticos.
La lgica fuzzy es un mtodo de toma de decisiones basado en reglas usados para
sistemas expertos y control de procesos que emulan el modo de comprensin de
los sistemas usados por el ser humano.
La lgica fuzzy puede ser usada para controlar un proceso que una persona puede
controlar manualmente con la habilidad adquirida a travs de la experiencia. Las
reglas de control lingstica que un experto humano puede describir en forma
intuitiva y general, pueden ser trasladadas a un conjunto de reglas (IF - THEN) para
un controlador basado en lgica fuzzy.
Las aplicaciones industriales de controladores basados en lgica fuzzy han tenido
una gran cobertura en los ltimos aos. Algunos ejemplos de aplicaciones de
sistema de control basados en lgica fuzzy son:
Convertidores de viento en energa, control de dosificacin en plantas de
tratamiento de aguas, sistema de control de produccin de azcar fermentable,
control lgico tipo fuzzy para tachos al vaci de bajo grado.

4. Operacin del sistema actual de dosificacin de coagulante

La planta de tratamiento de aguas de puerto mallarino capta sus aguas del ro
Cauca y tiene una capacidad de 6.6 m/s.
Con el fin de estimar la dosis requerida para una calidad de agua especfica el
operador realiza la prueba de jarras para estimar la dosis ptima y el pH de
coagulacin que espera obtener a la salida de la cmara de mezcla rpida (figura
2). Posteriormente el operador debe realizar el ajuste de la bomba dosificadora de
forma que pueda dosificar el caudal de coagulante requerido a fin de garantizar
una buena coagulacin. El operador deber controlar la dosificacin alrededor de
la dosis optima teniendo en cuenta el pH de coagulacin, el cual ser su parmetro
de referencia para el control rpido de la dosificacin; ya que el tiempo de
respuesta desde el punto de inyeccin de coagulante hasta el punto de medicin
del pH de coagulacin es de 2-3 minutos; lo que permite efectuar rpidamente los
ajustes de la dosis de coagulante.
5. Metodologa
El primer paso para la concepcin del sistema de control consiste en identificar dos
etapas dentro del procedimiento llevado a cabo por el operador para el control del
proceso; que son:
Estimacin del nuevo punto de operacin (dosis ptima).
Control de la dosificacin alrededor del punto de operacin (ajuste de la
dosificacin).
La estimacin del nuevo punto de operacin est relacionado directamente con los
cambios de calidad de agua cruda determinada por factores tales como la
temperatura, turbiedad, color, ph y alcalinidad; los cuales requieren de la
estimacin de una nueva dosis de coagulante; la cual se obtiene mediante el test
de jarras. El control de la dosificacin alrededor del punto de operacin es la etapa
siguiente del control del proceso una vez establecida la dosis ptima para unas
condiciones de agua. Consiste en ajustar la dosis de coagulante con el fin de
garantizar una buena remocin de turbiedad. Es en esta etapa donde la
experiencia del operador juega un papel importante; pues las acciones de control
de la dosificacin estn influenciadas por todos los parmetros que afectan el
proceso dentro del sistema de potabilizacin de agua (caudal de agua tratada,
turbiedad de agua clarificada, pH de coagulacin, capacidad de la bomba
dosificadora).
6. Estimacin del nuevo punto de operacin (dosis ptima).

Una vez identificadas las dos etapas del control de la dosificacin de coagulante, el
siguiente paso consiste en el diseo de los algoritmos de control para cada una de
las etapas. Para la etapa de estimacin de la dosis optima y el pH de coagulacin,
se entren una red neuronal artificial con un conjunto de datos histricos de la
planta de puerto mallarino; correspondientes a los aos 1999 - 2001. Un total de
300 conjuntos de datos fueron tomados para entrenar y evaluar el desempeo de
la red neuronal; de los cuales 200 conjuntos de datos se usaron para el
entrenamiento de la red neuronal y los 100 restantes se usaron para evaluar el
desempeo y la generalidad de la misma.
La Red neuronal entrenada tiene 5 neuronas de entrada que conforman la capa de
entrada; correspondientes a los valores de los parmetros de calidad de agua
cruda. La capa oculta de la RNA est constituida por 15 neuronas y las dos
neuronas de salida que conforman la capa de salida de la RNA corresponden al
resultado esperado en la prueba de jarras. Los mrgenes de operacin de calidad
de agua cruda tratados en esta planta son grandes en comparacin con otras
plantas lo cual hace que la relacin entre los datos sea bastante no-lineal. Por esta
razn se hace necesario la implementacin de una red neuronal artificial, ya que
las redes neuronales son excelentes estimadores de relaciones no-lineales entre
datos acumulados y datos numricos de salidas.
7. Control de la dosificacin alrededor del punto de operacin (ajuste de la
dosificacin).
En esta etapa es vital la experiencia del operador en el control del proceso, pues la
prueba de jarras le provee un punto de referencia de la dosificacin requerida, la
cual debe ajustar para conseguir una remocin de turbiedad efectiva. Un sistema
de control basado en lgica fuzzy es una excelente alternativa; ya que la lgica
fuzzy permite describir sistemas complejos usando el conocimiento de un experto,
utilizando unas simples reglas de forma que una estrategia de control lingsticas
derivado de la experiencia de un operador pueda convertirse en una estrategia de
control automtico.
La estructura de los controladores difusos encargados de realizar el ajuste de la
dosificacin; la necesidad de dos controladores difusos se fundamenta en el
procedimiento efectuado por el operador para el ajuste de la dosificacin.
Bsicamente el primer controlador hara el mismo ajuste de la dosis que hace el
operador basado en la calidad de agua tomando como referencia la turbiedad de
agua cruda y teniendo en cuenta la desviacin del pH respecto al pH que se desea
obtener a la salida de la cmara de mezcla rpida. Posteriormente el segundo
controlador difuso que es un controlador PI, se encargara de efectuar los ajustes
en la dosis que le permitan efectivamente alcanzar el pH esperado. La labor del

controlador 1 es proveer una aproximacin en el ajuste de la dosificacin con el fin

de que el controlador 2 pueda encargarse de controlar las desviaciones de pH de
acuerdo a la dinmica del proceso.
De esta forma se garantiza que la integracin de la experiencia del operador con la
accin de un controlador PI difuso, permitan controlar la dosificacin de
coagulante.
Reglas diseadas para el controlador difuso 1; estas reglas de ajuste de la dosis se
disearon recogiendo la experiencia de los operadores en el control de la
dosificacin. Las funciones de membresa para cada una de las variables
lingsticas: desvioPH, Turbiedad y AjusteDosis que conforman el controlador
difuso 1. Las funciones de membresa permiten establecer el grado de pertenencia
de un valor, dentro de un conjunto difuso de variables lingsticas.
8. Descripcin del sistema

En la tabla 3 se muestran los rangos de calidad de agua cruda que el sistema puede
controlar. La limitacin del sistema obedece al conjunto de datos escogido para el
entrenamiento de la red neuronal; cuya capacidad de prediccin se puede
fcilmente expandir sin que ello represente un costo adicional, ni una gran
inversin en el tiempo de diseo. En la figura 10 se observa el diagrama de bloques
del sistema propuesto para el control de la dosificacin de coagulante. El primer
bloque llamado Red neuronal de estimacin de dosis y pH de coagulante; estima la
dosis optima y pH de coagulacin (Do, pH-1) cuyas entradas son los parmetros de
calidad de agua cruda (temperatura, turbiedad, pH, color, alcalinidad

La salida de pH (pH-1) de este bloque es enviada como set point hacia el siguiente
bloque llamado Controlador difuso de ajuste de dosis respecto a pH. Este bloque
tiene adems otra entrada de lectura de pH (pH-2), proveniente del reactor, que
constituye la seal de realimentacin del controlador difuso quien har los ajustes
en la dosificacin, segn sea la desviacin de la lectura de este pH (pH-2) respecto
al pH de coagulacin calculado por la red neuronal (pH-1). Finalmente, el valor de
la dosis optima (Do) provedo por la red neuronal, el valor del ajuste de la dosis
provedo por el controlador difuso y el caudal de entrada; son los parmetro de
entrada de un bloque llamado clculo de frecuencia del variador que se encarga de
calcular el ajuste en la frecuencia del variador de velocidad quien provee la seal
de control sobre el elemento actuador que es la bomba dosificadora de
coagulante. El sistema fue concebido bajo la idea de trabajar como un sistema
experto en tiempo real, que fuera capaz de realizar el control de la dosificacin de
coagulante como si fuera un operador en lnea.

La tabla 4 muestra los parmetros de calidad de agua cruda (temperatura,

turbiedad, color, pH, alcalinidad).

Los errores en la prediccin de coagulante son del orden de +/- 1 ppm y en la

prediccin de pH de +/- 0.1 ; lo que muestra la capacidad de prediccin de la red
neuronal, teniendo en cuenta que los mrgenes de operacin de calidad de agua
cruda son grandes (ver tabla 3); lo que se traduce en una relacin ms compleja
entre los datos de entrada de calidad de agua cruda ( temperatura, turbiedad,
color, pH, alcalinidad ) y los datos de salida (dosis optima y pH de coagulacin).
La implementacin de una red neuronal permite establecer rpidamente la dosis
optima requerida para una calidad de agua cruda; lo cual permite que la prueba de
jarras se constituya en una prueba de respaldo; dado que el tiempo de respuesta
de la red neuronal es unos pocos segundos en relacin con la prueba de jarras que
tiene una duracin entre 10 y 20 minutos.
La implementacin de la etapa de ajuste de la dosificacin de coagulante basado
en un controlador difuso, representa una enorme ventaja en trminos del ahorro
en el consumo de coagulante; pues con su solo 1 g/s de coagulante ahorrado
mediante el control y ajuste continuo de la dosis de coagulante, se pueden ahorrar
hasta 30 Toneladas por ao en el consumo de coagulante; lo que representa un
ahorro aproximado de US$ 6.000 anuales por cada reactor.
9. Conclusiones
En la actualidad las aplicaciones de redes neuronales y lgica fuzzy tienen una
gran cobertura en la industria aeroespacial, la industria azucarera, en la
industria automotriz, la medicina, y en algunas compaas como Nissan,
Mitsubishi, Hitachi, Sony, Toshiba. La demostracin de la simplicidad y la
utilidad de estas tcnicas en cada una de las etapas del proceso de
coagulacin, muestra porque estas tcnicas han tenido tanta acogida en los
pases desarrollados donde se ha hecho un gran nfasis en el desarrollo de
sistemas de control basados en tcnicas de control inteligente.
Los resultados mostrados por la red neuronal en la capacidad de estimacin de
la dosis optima y la proyeccin del ahorro del consumo de coagulante
mediante la implementacin de un controlador difuso; constituyen una prueba
de la utilidad de la aplicacin de tcnicas de control inteligente para el control
de procesos qumicos.
El modelo del sistema planteado en este artculo constituye una base muy
importante para futuras aplicaciones en el control del proceso de coagulacin;
ya que el sistema planteado puede ser fcilmente adecuado; bien sea
entrenando nuevamente la red o incluyendo en el diseo del controlador
difuso, otras variables que afecten el sistema.
La confiabilidad de los datos suministrados para el entrenamiento de la red
neuronal, constituyen el factor ms importante en el desempeo de la red; ya

que la estimacin hecha por la red neuronal debe corresponder con la

estimacin que se obtendra mediante el Test de jarras.
El xito en el diseo del controlador difuso depende primordialmente de la
interaccin entre el ingeniero de control y el operador o experto del proceso;
ya que esta interaccin ser esencial durante la etapa de diseo y depuracin
del sistema de control.
CONTROLADOR DIFUSO ADAPTATIVO

Quizs la aplicacin en que la Lgica Fuzzy ha conseguido un xito mayor, y por

ende un mayor nmero de seguidores, se encuentra en el Control Industrial. Aun
cuando existen numerosas versiones de controladores que emplean lgica fuzzy,
suele asignarse el trmino Controlador Difuso a un sistema de control cuya
estructura interna corresponde a la de la Figura 1.
Figura 1 Estructura interna de un Controlador Difuso

Una de las ventajas que suelen mencionarse de los Controladores Difusos,

frente a otro tipo de controladores, es que pueden disearse aunque no se
tenga un modelo matemtico exacto de la Planta a controlar, gracias a que estn
basados en reglas. Esta situacin, sin embargo, no es del todo sencilla: el no tener
un modelo matemtico de la Planta implica no poder realizar simulaciones sobre
la misma, de tal manera que los ajustes del controlador deben realizarse en lnea.
Este hecho ha promovido la aparicin de controladores autoajustables, que
cuentan con algn algoritmo que les permite evaluar su desempeo, y de acuerdo
con cierto criterio ajustar su diseo. Estos algoritmos de autoajuste (tambin
conocidos como algoritmos de auto sintona son muy tiles tambin en
situaciones en las que la Planta a controlar vara en el tiempo, lo que implica que
el controlador deba ajustarse a dichos cambios.
Cuando un Controlador Difuso cuenta con un algoritmo de autoajuste, se dice que
es un Controlador Difuso Adaptativo. Sin embargo, existen Controladores con
otros algoritmos que no son exactamente de autoajuste, y que podramos llamar

de entrenamiento, que algunos

Difusos Adaptativos.

autores denominan tambin Controladores

Los algoritmos de entrenamiento permiten ajustar el diseo del Controlador para

que tenga un comportamiento deseado, pero fuera de lnea. En general estos
algoritmos no permiten la adaptacin del controlador a cambios de la planta,
pero son muy tiles para disear controladores en los que se combina informacin
numrica con informacin lingstica.
A continuacin se presenta un Controlador Difuso Adaptativo desarrollado por
Wang & Mendel que cuenta con un algoritmo de entrenamiento. Se ha
seleccionado este controlador, porque el algoritmo empleado es uno de los ms
sencillos conceptualmente, y de mayor simplicidad algortmica, tal como se
presenta en el numeral siguiente.
A. ALGORITMO DE ENTRENAMIENTO DE WANG y MENDEL
Este algoritmo parte de un cuadro que describe cules deben ser las salidas
concretas, cuando se especifican las entradas concretas, es decir, de cuadros
como la siguiente:
Cuadro 1. Parejas de Entrenamiento Entrada-Salida

Los w casos que se quieren obtener con el Sistema de Lgica Fuzzy pueden ser
insuficientes para determinar completamente el diseo, o por el contrario, pueden
ser inconsistentes entre s.
El algoritmo de Wang & Mendel permite determinar la base de reglas a partir de
la tabla de patrones de entrenamiento; el diseador debe seleccionar los dems
parmetros de Sistema de Lgica Fuzzy. El procedimiento es el siguiente para
cada uno de los w casos:
1. Determinar los grados de pertenencia de
a cada uno de los Valores Lingsticos de las respectivas Variables Lingsticas.

2. Seleccionar los Valores Lingsticos

para los cuales los grados de pertenencia respectivos son mximos.

AND ... AND

AND Entrada 2 es
3. Crear una regla de la forma IF Entrada 1 es
Entrada p es
THEN Salida 1 es
AND Salida 2 es
AND ... AND Salida
q es
4. Asignar a la regla anterior un factor de certeza, calculado como el producto de los
grados de pertenencia a cada Valor Lingstico.
5. Verificar si en la Base de Reglas existe ya una regla con el mismo antecedente (y
quizs distinto consecuente); de ser as, dejar en la Base aquella que tenga un
mayor factor de certeza. Si an no hay en la Base de Reglas una de estas con el
mismo antecedente, adicionar la nueva regla a la Base.
6. Complementar la Base de Reglas con la informacin lingstica disponible (si
existe alguna).

EJEMPLO 1

Presentamos aqu el ejemplo de un controlador aplicado al problema de llevar un

vehculo con marcha hacia atrs a velocidad constante para que busque una
cierta lnea recta y la siga. El problema ha sido desarrollado por Wang.
La figura 1 muestra grficamente el problema. El vehculo est inicialmente
ubicado a una distancia x de la lnea, y formando un ngulo A con la recta
normal a la lnea. Se necesita disear un Controlador Difuso para que decida cul
es el ngulo de giro B que deben tener las ruedas del vehculo.
Figura 1 Planeamiento del problema

Wang encuentra una Tabla de Parejas Entrada-Salida (como el cuadro 1) a partir

de su propia experiencia como conductor, y con ella entrena un Controlador Difuso

que tiene 5 valores lingsticos para la distancia x, 7 para el ngulo A, y 7 para el

ngulo de salida B. Los resultados los compara con los obtenidos por Nguyen &
Widrow con redes neuronales a partir de la misma Tabla Entrada-Salida, y las
trayectorias seguidas por el vehculo son semejantes.
Wang tambin efecta el entrenamiento con informacin numrica incompleta,
es decir, considerando slo una parte de la Tabla de entrenamiento; en estas
condiciones el Controlador no es capaz de cumplir su objetivo. Sin embargo, al
emplear algunas reglas If-Then extradas de su experiencia como conductor,
Wang obtiene resultados que son iguales a los del primer caso.
Lo interesante de este ltimo diseo es que all se han combinado dos tipos de
informacin de naturaleza diferente: por una parte est la informacin numrica
proveniente de la Tabla, y por otra parte est la informacin lingstica contenida
en las reglas If-Then.